Hive SQL解析/执行计划生成流程分析

转载：
http://blog.csdn.net/wf1982/article/details/9122543


Hive SQL解析/执行计划生成流程分析
近在研究Impala，还是先回顾下Hive的SQL执行流程吧。

Hive有三种用户接口：

cli (Command line interface) bin/hive或bin/hive –service cli 命令行方式（默认）
hive-server/hive-server2 bin/hive –service hiveserver 或bin/hive –service hiveserver2 通过JDBC/ODBC和Thrift访问（Impala通过这种方式借用hive-metastore）
hwi (Hive web interface) bin/hive –service hwi 通过浏览器访问


在hive shell中输入“show tables;”实际执行的是：


1

bin/hadoop

jar hive/lib/hive-cli-0.9.0.jar
org.apache.hadoop.hive.cli.CliDriver -e 'SHOW
TABLES;'
CLI入口函数：cli.CliDriver.main()

读入参数->建立SessionState并导入配置->处理输入文件中指令CliDriver.processFile()；或交互型指令CliDriver.processLine()->解析输入CliDriver.processCmd()

(1) 如果是quit或者exit，退出

(2) 以source开头的，读取外部文件并执行文件中的HiveQL

(3) ！开头的命令，执行操作系统命令（如!ls，列出当前目录的文件信息）

(4) list，列出jar/file/archive

(5) 其他命令，则生成调用相应的CommandProcessor处理，进入CliDriver.processLocalCmd()

下面看看CliDriver.processLocalCmd()这个函数：

set/dfs/add/delete指令交给指定的CommandProcessor处理，其余的交给org.apache.hadoop.hive.ql.Driver.run()处理

org.apache.hadoop.hive.ql.Driver类是查询的起点，run()方法会先后调用compile()和execute()两个函数来完成查询，所以一个command的查询分为compile和execute两个阶段。

Compile

(1)利用antlr生成的HiveLexer.java和HiveParser.java类，将HiveQL转换成抽象语法树（AST）。

首先使用antlr工具将srcqlsrcjavaorgapachehadoophiveqlparsehive.g编译成以下几个文件：HiveParser.java, Hive.tokens, Hive__.g, HiveLexer.java

HiveLexer.java和HiveParser.java分别是词法和语法分析类文件，Hive__.g是HiveLexer.java对应的词法分析规范，Hive.tokens定义了词法分析后所有的token。

然后沿着“Driver.compile()->ParseDriver.parse(command, ctx)->HiveParserX.statement()->antlr中的API”这个调用关系把输入的HiveQL转化成ASTNode类型的语法树。HiveParserX是由antlr生成的HiveParser类的子类。

(2)利用对应的SemanticAnalyzer类，将AST树转换成Map-reduce task。主要分为三个步骤：

a) AST -> operator DAG

b) optimize operator DAG

c) oprator DAG -> Map-reduce task

首先接着上一步生成的语法树ASTNode， SemanticAnalyzerFactory会根据ASTNode的token类型生成不同的SemanticAnalyzer (所有这些SemanticAnalyzer都继承自BaseSemanticAnalyzer)

1) ExplainSemanticAnalyzer

2) LoadSemanticAnalyzer

3) ExportSemanticAnalyzer

4) DDLSemanticAnalyzer

5) FunctionSemanticAnalyzer

6) SemanticAnalyzer

然后调用BaseSemanticAnalyzer.analyze()->BaseSemanticAnalyzer. analyzeInternal()。

下面以最常见的select * from table类型的查询为例，进入的子类是SemanticAnalyzer. analyzeInternal()，这个函数的逻辑如下：

1) doPhase1()：将sql语句中涉及到的各种信息存储起来，存到QB中去，留着后面用。

2) getMetaData()：获取元数据信息，主要是sql中涉及到的 表 和 元数据 的关联

3) genPlan()：生成operator tree/DAG

4) optimize：优化，对operator tree/DAG 进行一些优化操作，例如列剪枝等（目前只能做rule-based optimize，不能做cost-based optimize）

5) genMapRedTasks()：将operator tree/DAG 通过一定的规则生成若干相互依赖的MR任务

Execute

将Compile阶段生成的task信息序列化到plan.xml，然后启动map-reduce，在configure时反序列化plan.xml

实例分析：

在hive中有这样一张表：

uid

fruit_name

count

a

apple

5

a

orange

3

a

apple

2

b

banana

1

执行如下的查询：


1

SELECT

uid, SUM(count)
FROM

logs GROUP

BY
uid


通过explain命令可以查看执行计划：


1

EXPLAIN
SELECT

uid, SUM(count)
FROM

logs GROUP

BY
uid;
依照hive.g的语法规则，生成AST如下:


1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

ABSTRACT
SYNTAX TREE:

(

  TOK_QUERY

  (TOK_FROM
(TOK_TABREF (TOK_TABNAME logs)))

  (

    TOK_INSERT

    (TOK_DESTINATION
(TOK_DIR TOK_TMP_FILE))

    (

      TOK_SELECT

      (TOK_SELEXPR
(TOK_TABLE_OR_COL uid))

      (TOK_SELEXPR
(TOK_FUNCTION sum

(TOK_TABLE_OR_COL count)))

    )

    (TOK_GROUPBY
(TOK_TABLE_OR_COL uid))

  )

)


生成的执行计划operator tree/DAG如下：


1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

31

32

33

34

35

36

37

38

39

40

41

42

43

44

45

46

47

48

49

50

51

52

53

54

55

56

57

58

59

60

61

62

63

64

65

66

STAGE
DEPENDENCIES:

  Stage-1
is

a root stage

  Stage-0
is

a root stage



STAGE
PLANS:

  Stage:
Stage-1

    Map
Reduce

      Alias
-> Map Operator Tree:

        logs

          TableScan
// 扫描表

            alias:
logs

            Select

Operator //选择字段

              expressions:

                    expr:
uid

                    type:
string

                    expr:
count

                    type:
int

              outputColumnNames:
uid, count

              Group

By
Operator //在map端先做一次聚合，减少shuffle数据量

                aggregations:

                      expr:
sum(count)
//聚合函数

                bucketGroup:
false

                keys:

                      expr:
uid

                      type:
string

                mode:
hash

                outputColumnNames:
_col0, _col1

                Reduce
Output

Operator //输出key，value给reduce

                  key

expressions:

                        expr:
_col0

                        type:
string

                  sort
order:
+

                  Map-reduce
partition columns:

                        expr:
_col0

                        type:
string

                  tag:
-1

                  value
expressions:

                        expr:
_col1

                        type:
bigint

      Reduce
Operator Tree:

        Group

By
Operator

          aggregations:

                expr:
sum(VALUE._col0)
//聚合

          bucketGroup:
false

          keys:

                expr:
KEY._col0

                type:
string

          mode:
mergepartial

          outputColumnNames:
_col0, _col1

          Select

Operator //选择字段

            expressions:

                  expr:
_col0

                  type:
string

                  expr:
_col1

                  type:
bigint

            outputColumnNames:
_col0, _col1

            File
Output

Operator //输出到文件

              compressed:
false

              GlobalTableId:
0

              table:

                  input
format: org.apache.hadoop.mapred.TextInputFormat

                  output

format: org.apache.hadoop.hive.ql.io.HiveIgnoreKeyTextOutputFormat



  Stage:
Stage-0

    Fetch

Operator

      limit:
-1
Hive优化策略：

1. 去除查询中不需要的column

2. Where条件判断等在TableScan阶段就进行过滤

3. 利用Partition信息，只读取符合条件的Partition

4. Map端join，以大表作驱动，小表载入所有mapper内存中

5. 调整Join顺序，确保以大表作为驱动表

6. 对于数据分布不均衡的表Group by时，为避免数据集中到少数的reducer上，分成两个map-reduce阶段。第一个阶段先用Distinct列进行shuffle，然后在reduce端部分聚合，减小数据规模，第二个map-reduce阶段再按group-by列聚合。

7. 在map端用hash进行部分聚合，减小reduce端数据处理规模。

参考文献：

http://fatkun.com/2013/01/hive-group-by.html

更多 0